論文の概要: XClipGS: Exact Half-Space Clipping for Medical Volume Gaussian Splatting
- arxiv url: http://arxiv.org/abs/2608.07760v1
- Date: Fri, 07 Aug 2026 20:51:05 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-11 19:16:36.502672
- Title: XClipGS: Exact Half-Space Clipping for Medical Volume Gaussian Splatting
- Title(参考訳): XClipGS:医療用ガウス用半空間クリッピング
- Abstract要約: XClipGSは、レンダリングタイムのクリップ演算子を扱い、隠れた内部の監視を行う。
マルチ距離参照ビューと様々なクリッピング平面軸を用いて、同じ演算子を通して内部を監督する。
XClipGSは278FPSに対して、650FPS以上のレンダリングで、各ボリュームで最高のPSNRを達成している。
- 参考スコア(独自算出の注目度): 29.08182227515962
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Gaussian-splatting proxies enable interactive rendering of volumetric medical scans, but a clipping plane exposes anatomy not constrained by external-view training and intersects primitives that conventional splatting can only keep or drop whole. We present XClipGS (eXact Clipping), which treats these as two separate problems: the render-time clip operator and supervision of the hidden interior. Under the local affine model used by EWA splatting, the ray integral of a half-space-restricted Gaussian factorizes exactly into its ordinary 2D footprint and a conditional Gaussian CDF whose argument is affine in pixel coordinates. The resulting closed-form per-pixel operator introduces no learned clipping parameters or auxiliary network and remains differentiable with respect to the primitive and plane. We use multi-distance reference views with varied clipping-plane axes and offsets to supervise the interior through the same operator. We also introduce a paired clipped/unclipped cut-face protocol with difference-referenced cut error (CDE) and culled-side leakage (Leak), because global image metrics dilute errors near the plane. On eight CT and MRI volumes with plane offsets not used for training, XClipGS attains the highest PSNR on every volume (33.56 versus 32.34 dB for ClipGS) while rendering at over 650 FPS, far above real time, versus 278 FPS. On voxel-axis cut-face views, it raises average band SSIM from 0.809 to 0.860 and leaks roughly 40 times less. Without retraining, it also achieves the best average across all four metrics on arbitrary-normal planes; on a fixed interior, it matches RaRa's face fidelity with about 16 times less leakage. Project page: https://gaozhongpai.github.io/XClipGS/
- Abstract(参考訳): ガウススプラッティングプロキシは、ボリューム医学スキャンのインタラクティブなレンダリングを可能にするが、クリッピングプレーンは、外部の視線トレーニングに制約されない解剖を露出し、従来のスプラッティングが全体を維持するか、またはドロップするしかできないプリミティブと交差する。
我々は、XClipGS (eXact Clipping) を紹介し、これらを2つの異なる問題として扱います。
EWAスプラッティングで用いられる局所アフィンモデルの下では、半空間制限されたガウスの光積分は、通常の2次元フットプリントと、ピクセル座標でアフィンである条件付きガウスCDFに正確に分解される。
その結果、画素ごとのクローズドフォームは、学習されたクリッピングパラメータや補助ネットワークを導入せず、プリミティブと平面に関して相変わらず異なる。
我々は、異なるクリッピング平面軸とオフセットを持つマルチ距離参照ビューを使用して、同じ演算子を通して内部を監視します。
また,大域的な画像メトリクスが平面近傍の誤差を希薄にするため,差分参照カットエラー (CDE) とカレー側リーク (Leak) を併用した切断面プロトコルも導入した。
トレーニングに使用されない平面オフセットを持つ8つのCTおよびMRIボリュームでは、XClipGSは全ボリューム(ClipGSでは33.56対32.34dB)で最高のPSNRを獲得し、レンダリングは650FPS以上で、処理速度は278FPSである。
ボクセル軸のカットフェイスビューでは、平均バンドSSIMが0.809から0.860に上昇し、リークはおよそ40倍減少する。
リトレーニングなしでは、任意の通常の平面上の4つの測度で最高の平均値を得ることができ、固定された内部では、RaRaの顔の忠実度を約16倍のリークで一致させる。
プロジェクトページ: https://gaozhongpai.github.io/XClipGS/
関連論文リスト
- ConeGaussian: Anti-Aliased Gaussian Ray-Tracing for Generic Central Cameras [56.46810752790842]
ガウス線レンダリングのためのカメラモデルに依存しないアンチエイリアスフレームワークであるConeGaussianを提案する。
有限画素フットプリントの局所線形,深部局所,モーメントマッチング近似の下で閉形式応答を導出する。
mip-splattingとは異なり、シーン空間の周波数フロアとフィルタリングはレンダリング時に自明な合成を可能にし、余分なぼやけを取り除くことができる。
論文 参考訳(メタデータ) (2026-09-11T18:05:07Z) - View-Structured Conformal Prediction for 3D Gaussian Splatting [26.600186868779364]
3D Gaussian Splatting (3DGS)は、新しいビューをリアルタイムでレンダリングするが、不確実なヒートマップは、レンダリングされたビューが特定の予測カバレッジを満たすことを証明しない。
ビュー構造化コンフォーマル予測(VSCP)を提案する。
これは、事前校正スケールを、必要となる最小のビューワイズ乗算器を予測する有界および移動可能なビューワイズ因子から空間的な形状に分割する。
論文 参考訳(メタデータ) (2026-09-09T15:16:52Z) - Self-Calibrating Dense Displacement Fields for Reliable Co-Registration of Large Optical Satellite Imagery [4.730120849611304]
共同登録は、光学衛星画像の時間・マルチセンサー利用のほぼすべての基盤となる。
SCDF, トレーニング不要なGPUフリーな推定器で, 動きモデル自体が画素あたりの高密度変位場である。
実際のSentinel Landsat-8/9とNAIP画像から構築された584基の地上トラスペアでは、SCDFは故障のない全てのペアを登録する。
論文 参考訳(メタデータ) (2026-08-23T08:50:59Z) - Uncertainty-Aware Compositional Localization and Placement Assessment of Catheters and Tubes in Chest X-Rays [0.0]
局所カテーテルフラグメントを検出し,それらをデバイスインスタンスに関連付ける構成フレームワークであるUCompCXRを紹介する。
RANZCR CLiPデータセット(30,083枚、ブートストラップCI付き5倍の患者レベルCV)では、UCompCXRは強力なマルチタスクベースラインよりも26%多いデバイスを検出する。
単一のフォワードパスにおける2.27Mパラメータは、リソース制約された臨床ハードウェアにデプロイ可能である。
論文 参考訳(メタデータ) (2026-08-11T16:04:58Z) - Support Operation Factorization: Compositional Readout of Frozen Vision Encoders under Controlled Interventions [87.95757610455173]
我々は、x演算グリッドとSO-OPFをサポートするために、インジェクティブに整合した残余セルアウトプロトコルを導入する。
グリッドが分かっているときにキャリアがホールドアウトバインディングを構成するかどうか、フラットなセルラベルからグリッドを回収できるかどうかという2つの質問を分離する。
論文 参考訳(メタデータ) (2026-08-06T15:38:55Z) - What CLIP Knows but Cannot Say: Recovering Negation from Frozen Intermediate Features [3.9492850032415876]
CLIPのような対照的な視覚言語モデルは、意味論的に逆のフレーズをほぼ同一の埋め込みにマッピングする。
中層は構成構文を構築するが、最終層は視覚的アライメントが上昇するにつれてこの構造を崩壊させる。
本稿では,ピーク時のエンコーダを傍受する軽量なポストホック補正システムであるPeakPatchを提案する。
論文 参考訳(メタデータ) (2026-07-25T16:15:50Z) - ASTRA-Net: Anatomy-Specific Transfer and Representation Alignment for Drug-Induced Sleep Endoscopy Segmentation [28.923055080999884]
量的薬物誘発睡眠内視鏡(DISE)は、特定の解剖学的レベルにおいて、信頼性の高い気道境界を必要とする。
実アノテーションを限定した既知の平面disEセグメンテーションのためのASTRA-Netを開発した。
ASTRA-Netは、実際のアノテーションが制限されている場合、フレームレベル、平面固有のDIE境界記述をサポートすることができる。
論文 参考訳(メタデータ) (2026-07-23T14:37:17Z) - DepthART: Scaling Foundation Monocular Depth to Tiny Models [51.10174763031444]
DepthARTは、様々なシーンにまたがるデバイス上のデプロイメントのためのコンパクトなMDEモデルである。
ゼロショット一般化とメートル法精度の両方において、DepthARTが従来の小さなベースラインを一貫して上回っていることを示す。
また、GTX A6000で347/245 FPS (strict FP32)、Orin NX 8GBで2242/4482ドル、102 FPS (TF32)、Jetson Nano 4GBで15 FPS (FP32) に達したスケーラブルなモデルファミリも提供しています。
論文 参考訳(メタデータ) (2026-07-19T06:54:52Z) - Envisage: Diffusion-Based Rhinoplasty Goal Visualization with Mask-Decomposed Evaluation [0.0]
局所的な生成編集には局所的な評価が必要である。
ローカライズされた編集では、顔認証のメトリクスではなく、編集領域の忠実度で進捗を測定する必要がある。
論文 参考訳(メタデータ) (2026-06-26T22:13:20Z) - SC-MFJ: A Simple Haptic Quality Metric for Medical Image Segmentation [0.0]
SC-MFJ (Surface-Constrained Mean Force Jerk) は,多数の短い仮想スタイラスウォークで分割された臓器表面をサンプリングする簡易で安価な計量法である。
5倍のクロスバリデーションでSDF(Signed distance function)を80例以上学習し,3例の膵CTセグメンテーションによる2次nnU-Net出力,ガウス平滑化出力,SDF(Signed distance function)の判定を行った。
論文 参考訳(メタデータ) (2026-06-04T14:04:42Z) - Hierarchical Transformer Preconditioning for Interactive Physics Simulation [28.137076331332413]
階層型トランスフォーマープレコンディショナー(Hierarchical Transformer Preconditioner)は、弱い許容率のH行列分割に固定されたニューラルプレコンディショナーである。
ネットワークは低ランクの遠距離因子を通して逆をモデル化する。
高速道路の接続を利用して、奥行きを隔ててコンテキストを伝播する。
論文 参考訳(メタデータ) (2026-05-13T11:02:27Z) - AdpSplit: Error-Driven Adaptive Splitting for Faster Geometry Discovery in 3D Gaussian Splatting [61.977804325410695]
本稿では、エラー駆動型適応分割演算子であるAdpSplitを紹介し、分割子数を決定し、L1-ピクセルエラー領域統計から子パラメータを初期化する。
MipNeRF360、Deep-Blending、Thans&Templesのデータセット全体で、AdpSplitは、複数の加速された3DGSパイプラインのトレーニング時間を9.2%から22.3%削減する。
FastGSでは、AdpSplitはMipNeRF360上の全スケジュールPSNRと一致し、トレーニング時間を16.4%削減し、バニラ3DGSの12.6倍加速に対応している。
論文 参考訳(メタデータ) (2026-05-07T19:23:16Z) - OccGaussian: 3D Gaussian Splatting for Occluded Human Rendering [55.50438181721271]
表面レンダリングにNeRFを用いた従来手法では,閉鎖領域の復元には1日以上,閉塞領域のレンダリングには数秒を要していた。
OccGaussianは3D Gaussian Splattingをベースとして6分以内でトレーニングが可能で,最大160FPSまでの高品質な人体レンダリングを実現する。
論文 参考訳(メタデータ) (2024-04-12T13:00:06Z) - Exploring the Limits of Differentially Private Deep Learning with
Group-wise Clipping [91.60608388479645]
本研究では, クリッピングとバックプロパゲーションを併用して, 異なる最適化手法でクリッピングを行えることを示す。
その結果、プライベートな学習は、記憶効率が良く、トレーニング更新あたりの速度は、多くの関心を持つ非プライベートな学習と同程度になる。
論文 参考訳(メタデータ) (2022-12-03T05:20:15Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。